醫(yī)學(xué)圖像融合的目的是為了解決由于成像設(shè)備的局限性,對(duì)一些疾病的診斷需將給幾幅不同模態(tài)的醫(yī)學(xué)圖像組合起來(lái),包括從圖像融合和一般信息融合到解決通過(guò)人體器官和細(xì)胞圖像反映醫(yī)學(xué)問(wèn)題的一種技術(shù)。數(shù)字圖像融合是對(duì)多源圖像進(jìn)行綜合的信息處理,它提供了一個(gè)包含源圖像的關(guān)鍵信息的復(fù)合圖像,這些信息對(duì)于更好地定位不同器官和病變起著至關(guān)重要的作用,以獲得對(duì)特定區(qū)域或目標(biāo)更準(zhǔn)確、更全面、更可靠的描述,便于醫(yī)生后續(xù)對(duì)圖像的分析和理解。多模態(tài)醫(yī)學(xué)圖像融合廣泛應(yīng)用于各種疾病的診斷、治療計(jì)劃等領(lǐng)域。當(dāng)前,有關(guān)醫(yī)學(xué)圖像融合算法主要包括了加權(quán)平均、多尺度分解以及神經(jīng)網(wǎng)絡(luò)等。針對(duì)現(xiàn)有醫(yī)學(xué)圖像融合算法存在的問(wèn)題,本文重點(diǎn)研究了基于非下采樣剪切波變換(Non-Subsampled Shearlet Transform,NSST)域內(nèi),關(guān)于脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse-coupled Neural Network,PCNN)的算法的改進(jìn),并將改進(jìn)的PCNN與其他兩種算法相結(jié)合,一種是將改進(jìn)的PCNN與壓縮感知(Compressed Sensing,CS)相結(jié)合的算法,另一種是將改進(jìn)PCNN與相位一致性(Phase Congrue...

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3-3采樣率為20%60%時(shí)的融合圖像

第3章基于CS-PCNN的醫(yī)學(xué)圖像融合算法22采樣率20%采樣率40%采樣率50%采樣率60%圖3-3采樣率為20%~60%時(shí)的融合圖像Fig.3-3Fusionimageswithasamplingrateof20%~60%3.6.2MRI與CT圖像為了評(píng)估提出算法的有效性，原....

圖3-4腦萎縮的CT與MRI圖像及融合結(jié)果

第3章基于CS-PCNN的醫(yī)學(xué)圖像融合算法23融合圖像中引入的結(jié)構(gòu)畸變；（3）觀察到融合圖像在不失真的情況下清晰呈現(xiàn)源圖像病理的能力；（4）評(píng)價(jià)融合圖像在臨床應(yīng)用中的有效性。（a）MRI圖像（b）CT圖像（c）NSST-PCNN算法（d）NSST-SR算法（e）NSCT-CS算法....

圖3-5腦梗的CT與MRI圖像及融合結(jié)果

第3章基于CS-PCNN的醫(yī)學(xué)圖像融合算法23融合圖像中引入的結(jié)構(gòu)畸變；（3）觀察到融合圖像在不失真的情況下清晰呈現(xiàn)源圖像病理的能力；（4）評(píng)價(jià)融合圖像在臨床應(yīng)用中的有效性。（a）MRI圖像（b）CT圖像（c）NSST-PCNN算法（d）NSST-SR算法（e）NSCT-CS算法....

圖3-6腦中風(fēng)的CT與MRI圖像及融合結(jié)果

第3章基于CS-PCNN的醫(yī)學(xué)圖像融合算法24（a）MRI圖像（b）CT圖像（c）NSST-PCNN算法（d）NSST-SR算法（e）NSCT-CS（f）CS-PCNN算法圖3-6腦中風(fēng)的CT與MRI圖像及融合結(jié)果Fig.3-6CTandMRIimagesofacutestrok....

本文編號(hào)：3972263